Google Data Fusion で Databricks に連携した ETL プロセスを作成

Google Data Fusion を使用すると、セルフサービス型のデータ連携を行い、異なるデータソースを統合できます。CData JDBC Driver for Databricks をアップロードすることで、Google Data Fusion のパイプライン内から Databricks のデータ にリアルタイムでアクセスできるようになります。CData JDBC Driver を使用すると、Databricks のデータ を Google Data Fusion でネイティブにサポートされている任意のデータソースにパイプできますが、この記事では、Databricks から Google BigQuery へデータをパイプする方法を説明します。

はじめに

---

CData JDBC Driver for Databricks を Google Data Fusion にアップロード

CData JDBC Driver for Databricks を Google Data Fusion インスタンスにアップロードして、Databricks のデータ にリアルタイムでアクセスしましょう。Google Data Fusion では JDBC ドライバーの命名規則に制限があるため、JAR ファイルを driver-version.jar という形式に合わせてコピーまたはリネームしてください。例：cdatadatabricks-2020.jar

1. Google Data Fusion インスタンスを開きます
2. をクリックしてエンティティを追加し、ドライバーをアップロードします
3. "Upload driver" タブで、リネームした JAR ファイルをドラッグまたは参照します。
4. "Driver configuration" タブで以下を設定します：
   • Name: ドライバーの名前（cdata.jdbc.databricks）を作成し、メモしておきます
   • Class name: JDBC クラス名を設定します：（cdata.jdbc.databricks.DatabricksDriver）
   
5. "Finish" をクリックします

Google Data Fusion で Databricks のデータ に接続

JDBC Driver をアップロードしたら、Google Data Fusion のパイプラインで Databricks のデータ にリアルタイムでアクセスできます。

1. Pipeline Studio に移動して、新しいパイプラインを作成します
2. "Source" オプションから "Database" をクリックして、JDBC Driver 用のソースを追加します
3. Database ソースの "Properties" をクリックしてプロパティを編集します

   NOTE：Google Data Fusion で JDBC Driver を使用するには、ライセンス（製品版またはトライアル）とランタイムキー（RTK）が必要です。ライセンス（またはトライアル）の取得については、CData までお問い合わせください。

   • Label を設定します
   • Reference Name を将来の参照用の値に設定します（例：cdata-databricks）
   • Plugin Type を "jdbc" に設定します
   • Connection String を Databricks の JDBC URL に設定します。例：
     
     jdbc:databricks:RTK=5246...;Server=127.0.0.1;HTTPPath=MyHTTPPath;User=MyUser;Token=MyToken;

     Databricks 接続プロパティの取得・設定方法

     Databricks クラスターに接続するには、以下のプロパティを設定します。

     • Database：Databricks データベース名。
     • Server：Databricks クラスターのサーバーのホスト名。
     • HTTPPath：Databricks クラスターのHTTP パス。
     • Token：個人用アクセストークン。この値は、Databricks インスタンスのユーザー設定ページに移動してアクセストークンタブを選択することで取得できます。
     Databricks インスタンスで必要な値は、クラスターに移動して目的のクラスターを選択し、Advanced Options の下にあるJDBC/ODBC タブを選択することで見つけることができます。

     Databricks への認証

     CData は、次の認証スキームをサポートしています。

     • 個人用アクセストークン
     • Microsoft Entra ID（Azure AD）
     • Azure サービスプリンシパル
     • OAuthU2M
     • OAuthM2M

     個人用アクセストークン

     認証するには、次を設定します。

     • AuthScheme：PersonalAccessToken。
     • Token：Databricks サーバーへの接続に使用するトークン。Databricks インスタンスのユーザー設定ページに移動してアクセストークンタブを選択することで取得できます。

     その他の認証方法については、ヘルプドキュメント の「はじめに」セクションを参照してください。

     ビルトイン接続文字列デザイナー

     JDBC URL の作成には、Databricks JDBC Driver に組み込まれている接続文字列デザイナーを使用できます。JAR ファイルをダブルクリックするか、コマンドラインから JAR ファイルを実行してください。

           java -jar cdata.jdbc.databricks.jar
           

     接続プロパティを入力し、接続文字列をクリップボードにコピーします。

     
   • Import Query を Databricks から取得したいデータを抽出する SQL クエリに設定します。例：
     SELECT * FROM Customers
   
4. "Sink" タブから、同期先シンクを追加します（この例では Google BigQuery を使用します）
5. BigQuery シンクの "Properties" をクリックしてプロパティを編集します
   • Label を設定します
   • Reference Name を databricks-bigquery のような値に設定します
   • Project ID を特定の Google BigQuery プロジェクト ID に設定します（またはデフォルトの "auto-detect" のままにします）
   • Dataset を特定の Google BigQuery データセットに設定します
   • Table を Databricks のデータ を挿入するテーブル名に設定します
   

Source と Sink を設定すると、Databricks のデータ を Google BigQuery にパイプする準備が整います。パイプラインを保存してデプロイしてください。パイプラインを実行すると、Google Data Fusion が Databricks からリアルタイムデータをリクエストし、Google BigQuery にインポートします。

これはシンプルなパイプラインの例ですが、変換、分析、条件などを使用してより複雑な Databricks パイプラインを作成できます。CData JDBC Driver for Databricks の 30日間の無償トライアルをダウンロードして、今すぐ Google Data Fusion で Databricks のデータ をリアルタイムで活用しましょう。